基于粒計(jì)算的旋轉(zhuǎn)機(jī)械故障診斷知識(shí)發(fā)現(xiàn)方法研究.pdf

1、故障診斷技術(shù)對(duì)于維護(hù)機(jī)電設(shè)備的安全、高效運(yùn)行至關(guān)重要，在現(xiàn)代化工業(yè)生產(chǎn)過程中發(fā)揮著巨大作用。但是，由于大型旋轉(zhuǎn)機(jī)械設(shè)備的復(fù)雜性，通過獲取動(dòng)態(tài)數(shù)據(jù)進(jìn)行故障診斷變得非常困難，其中最主要的難點(diǎn)就在于故障知識(shí)發(fā)現(xiàn)始終未能取得突破性進(jìn)展。針對(duì)此問題，本文開展了基于粒計(jì)算的旋轉(zhuǎn)機(jī)械故障診斷知識(shí)發(fā)現(xiàn)研究工作，利用廣義粒計(jì)算理論對(duì)故障診斷知識(shí)發(fā)現(xiàn)過程中的故障特征提取、故障數(shù)據(jù)聚類以及故障模式辨識(shí)進(jìn)行了系統(tǒng)研究，主要研究內(nèi)容及獲得的相應(yīng)研究結(jié)果如下：1<

2、br>　　(1)首先分析了知識(shí)發(fā)現(xiàn)與粒計(jì)算的基本內(nèi)涵，并通過推演不同知識(shí)粒度間的運(yùn)算關(guān)系，揭示了故障知識(shí)粒度計(jì)算的本質(zhì)；然后以粗糙集理論作為知識(shí)處理工具，對(duì)故障知識(shí)粒度計(jì)算的數(shù)據(jù)處理模式進(jìn)行分析，研究發(fā)現(xiàn)，故障知識(shí)的粒度大小需根據(jù)具體的應(yīng)用情況進(jìn)行確定；最后通過分析具有粒計(jì)算思維模式的幾種方法，對(duì)粒計(jì)算方法的范疇進(jìn)行推廣，使故障診斷過程的每個(gè)步驟都體現(xiàn)出粒計(jì)算思維，為本研究建立了統(tǒng)一的理論框架。
　　(2)針對(duì)局部均值分解(Loc

3、almeancomposition,LMD)存在計(jì)算過程復(fù)雜、計(jì)算誤差較大的問題，將三次Hermite插值法引入LMD中，用于計(jì)算局部均值函數(shù)和包絡(luò)估計(jì)函數(shù)；同時(shí)利用自適應(yīng)波形匹配數(shù)據(jù)延拓技術(shù)和正交性準(zhǔn)則共同消除LMD的端點(diǎn)效應(yīng)與乘積函數(shù)誤差較大的問題，從而得到了一種新的CHI-LMD方法。利用轉(zhuǎn)子-軸承系統(tǒng)的碰摩故障信號(hào)對(duì)方法的性能進(jìn)行了驗(yàn)證，處理結(jié)果顯示，改進(jìn)的CHI-LMD方法比LMD方法具有更好的非平穩(wěn)信號(hào)處理能力。
　　

4、(3)針對(duì)時(shí)域、頻域量化特征只能反映機(jī)械故障振動(dòng)信號(hào)部分信息的問題，提出了一種基于CHI-LMD和Teager能量峭度的時(shí)頻域量化故障特征提取方法。該方法首先利用CHI-LMD對(duì)機(jī)械振動(dòng)信號(hào)進(jìn)行分解，得到一組含有不同頻率成分的PF分量；然后通過Teager能量算子計(jì)算每一個(gè)PF分量的瞬時(shí)能量，它可同時(shí)反映信號(hào)的頻率和幅度變化；最后計(jì)算PF分量瞬時(shí)能量序列的峭度，可得到一種新的時(shí)頻域統(tǒng)計(jì)特征—Teager能量峭度(TEK)。經(jīng)過對(duì)轉(zhuǎn)子-軸

5、承系統(tǒng)實(shí)驗(yàn)振動(dòng)信號(hào)的處理發(fā)現(xiàn)，TEK比一般的峭度指標(biāo)能夠更穩(wěn)定地表征故障特性，非常適合于構(gòu)建故障信息決策系統(tǒng)。
　　(4)針對(duì)故障數(shù)據(jù)結(jié)構(gòu)復(fù)雜、不同故障特征之間存在相互交疊的問題，提出了一種改進(jìn)的模糊C均值聚類算法以處理故障數(shù)據(jù)集。該算法利用均值漂移、改進(jìn)的馬氏距離以及近鄰樣本加權(quán)等策略，對(duì)模糊C均值算法中的初始聚類中心不確定和孤立點(diǎn)敏感等問題予以克服。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)集和轉(zhuǎn)子-軸承系統(tǒng)的實(shí)驗(yàn)數(shù)據(jù)對(duì)方法的有效性進(jìn)行驗(yàn)證，結(jié)果顯示

6、，改進(jìn)的模糊C均值算法比 K-means算法和模糊C均值算法具有更好的聚類性能。
　　(5)針對(duì)故障辨識(shí)過程中特征評(píng)價(jià)因子存在一定偏差、核主元分析無參數(shù)優(yōu)化環(huán)節(jié)、支持向量機(jī)的參數(shù)優(yōu)化結(jié)果不準(zhǔn)確等問題，提出了一種集成改進(jìn)智能的模式識(shí)別方法。該方法使用加權(quán)特征評(píng)價(jià)因子選擇最敏感特征；基于類間可分性指標(biāo)分別建立了核主元分析與支持向量機(jī)核參數(shù)的適應(yīng)度函數(shù)，并利用自適應(yīng)慣性權(quán)重的改進(jìn)粒子群算法對(duì)核參數(shù)進(jìn)行優(yōu)化。通過 UCI標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)改進(jìn)方